Análise Preditiva da Doença de Alzheimer Baseada em Redes Neurais

João Inácio Scrimini

Introdução

  • A Doença de Alzheimer é uma enfermidade neurodegenerativa caracterizada por declínio cognitivo progressivo e impacto significativo na qualidade de vida.
  • Com o crescimento da população idosa, a detecção precoce torna-se fundamental para intervenções mais eficazes.
  • Técnicas de Machine Learning ganham destaque por identificar padrões complexos em grandes volumes de dados clínicos.
  • Banco Alzheimer’s Disease Dataset (Kaggle), contendo 2149 observações de indivíduos ≥ 60 anos, com informações demográficas, clínicas e de estilo de vida.
  • Objetivo: desenvolver um modelo preditivo para estimar Alzheimer e apontar variáveis relevantes.

Variáveis Utilizadas

  • MMSE: Avalia memória, atenção e raciocínio (0–30). Pontuações baixas indicam maior déficit cognitivo.

  • Avaliação Funcional: Mede a autonomia em tarefas diárias (0–10). Valores menores = maior dificuldade funcional.

  • ADL: Mede a capacidade de realizar atividades básicas (0–10).
    Pontuações menores indicam maior dependência.

  • Queixas de Memória: Indica se o paciente relata problemas de memória (0 = não, 1 = sim).

  • Problemas Comportamentais: Registra alterações como irritabilidade ou agitação (0 = não, 1 = sim).

  • Diagnóstico: 0 = sem Alzheimer, 1 = com Alzheimer. (0 = 1389 e 1 = 760)

Análise Descritiva

Boxplots e Teste de Mann-Whitney para as variáveis quantitativas em relação ao diagnóstico de Alzheimer.

Análise Descritiva

Percentual linha e teste de qui-quadrado de independência para variáveis qualitativas em relação ao diagnóstico de Alzheimer.

Divisão treino e teste

Modelo de Redes Neurais

O modelo foi desenvolvido em Python, utilizando a biblioteca Keras integrada ao TensorFlow:

  • Variáveis quantitativas padronizadas (média 0, DP 1).
  • Arquitetura totalmente conectada:
    • Camadas ocultas com ReLU, favorecendo relações não lineares
    • Saída com Sigmoid (classificação binária)
  • Compilação: Otimizador Adam + função de perda Binary Crossentropy.
  • Treinamento com:
    • Validação interna (30%)
    • Early Stopping para evitar sobreajuste, interrompe após 3 épocas sem melhora na perda de validação.

Rede Neural

Estrutura do modelo da rede neural totalmente conectada.

Treinamento e Validação do Modelo

Acurácia e perda no treinamento e validação do modelo.

  • 42 épocas, sem sobreajuste.

Validação Teste

  • O desempenho foi avaliado por meio da matriz de confusão (corte 0.5):

  • Métricas:

    • Acurácia: 91.63%
    • Sensibilidade: 89.04%
    • Especificidade: 93.05%
    • Precisão: 87.50%

Conclusões

  • Indivíduos com Alzheimer apresentaram pior desempenho em MMSE, Avaliação Funcional e ADL, além de maior frequência de queixas de memória e problemas comportamentais.
  • O modelo de redes neurais mostrou bom desempenho, com alta acurácia, sensibilidade, especificidade e precisão, indicando baixo risco de erros.
  • As variáveis selecionadas demonstraram relevância para caracterizar o quadro clínico dos pacientes.

Referências

  • Rabie El Kharoua. Alzheimer’s Disease Dataset. Kaggle, 2024. Disponível em: https://www.kaggle.com/dsv/86682 79. Acesso em: 30 nov. 2025. Social Care Institute for Excellence.

  • Early diagnosis of dementia. Disponível em: https://www.scie.org.uk/dementia /symptoms/diagnosis/early-diagnosis.asp. Acesso em: 30 nov. 2025.

Obrigado pela atenção!